CN117671983A - 确定红绿灯变更的方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了确定红绿灯变更的方法、装置、设备以及存储介质，涉及人工智能技术领域，具体涉及自动驾驶技术领域。具体实现方案为：响应于接收到目标车辆回传的当前情报信息，根据当前情报信息确定对应的历史情报信息，当前情报信息包括：多张拍摄于距变更情报点不同距离的前视相机图片，与变更情报点对应的坐标位置信息；获取当前情报信息对应的第一查询特征组和历史情报信息对应的第二查询特征组，第一查询特征组中包含每个红绿灯的当前查询特征，第二查询特征组中包含每个红绿灯的历史查询特征；基于第一查询特征组和第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量；根据红绿灯变更向量确定变更情报点是否存在红绿灯变更现象。

Description

确定红绿灯变更的方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，具体涉及自动驾驶技术领域，尤其涉及一种确定红绿灯变更的方法、装置、设备以及存储介质。

背景技术

在自动驾驶领域，高精地图是自动驾驶L4/L5的基础。红绿灯是高精地图的重要组成部分，关乎到车辆能否正确通过路口。但实际上，红绿灯并非安装后就一成不变，一旦红绿灯发生新增、删除、移动或者故障等变更，而高精地图没有及时更新相关信息，就可能造成自动驾驶车辆于红绿灯路口处进行错误决策。

由于车端可能会因为视角、距离远近等因素误判红绿灯变更情况，因此车端回传的红绿灯变更情报中存在绝大多数无效情报。目前是将车端回传的红绿灯变更情报全部交由人工审核，这会产生极大的审核压力，影响审核效率和审核准确性，导致无法及时、准确地更新高精地图中的红绿灯数据，影响车辆于红绿灯路口处的决策。

发明内容

本公开提供了一种确定红绿灯变更的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种确定红绿灯变更的方法，所述方法包括：

响应于接收到目标车辆回传的当前情报信息，根据所述当前情报信息确定对应的历史情报信息，其中，所述当前情报信息包括：多张拍摄于距变更情报点不同距离的前视相机图片，以及与所述变更情报点对应的坐标位置信息；

获取所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组，其中，所述第一查询特征组中包含每个红绿灯的当前查询特征，所述第二查询特征组中包含每个红绿灯的历史查询特征；

基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量；

根据所述红绿灯变更向量确定所述变更情报点是否存在红绿灯变更现象。

进一步地，根据所述当前情报信息确定对应的历史情报信息，包括：

根据所述当前情报信息中所述变更情报点对应的坐标位置信息，从情报变更资料库中查询任意车辆在历史时段回传的所述变更情报点的历史情报信息；

若在所述情报变更资料库中未查询到所述历史情报信息，则获取高精地图中所述变更情报点的历史坐标位置信息，以将所述历史坐标位置信息作为所述历史情报信息。

进一步地，获取所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组，包括：

分别生成所述当前情报信息和所述历史情报信息各自对应的特征图；

根据所述当前情报信息和所述历史情报信息各自对应的特征图，确定所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组。

进一步地，根据所述当前情报信息和所述历史情报信息各自对应的特征图，确定所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组，包括：

将所述当前情报信息和所述历史情报信息各自对应的特征图，分别输入至经过二维红绿灯检测任务预训练得到的自动审核模型，以得到所述自动审核模型输出的所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组。

进一步地，基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量，包括：

基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成所述第一查询特征组和所述第二查询特征组之间的相似度矩阵；

对所述相似度矩阵的两个维度分别进行归一化操作，得到归一化结果；

根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述归一化结果，生成所述红绿灯变更向量。

进一步地，对所述相似度矩阵的两个维度分别进行归一化操作，得到归一化结果，包括：

对所述相似度矩阵的两个维度分别进行归一化操作，得到所述第一查询特征组中的每个红绿灯与所述第二查询特征组中的最相似红绿灯之间的第一维度相似度，以及所述第二查询特征组中的每个红绿灯与所述第一查询特征组中的最相似红绿灯之间的第二维度相似度。

进一步地，根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述归一化结果，生成所述红绿灯变更向量，包括：

基于所述第一维度相似度和所述第二维度相似度得到相似度向量；

根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述相似度向量，生成所述红绿灯变更向量。

进一步地，根据所述红绿灯变更向量确定所述变更情报点是否存在红绿灯变更现象，包括：

根据所述红绿灯变更向量确定所述变更情报点的变更概率；

若所述变更概率大于概率阈值，则输出审核提示信息；

响应于接收到的审核确认信息，确定所述变更情报点存在所述红绿灯变更现象。

进一步地，在根据所述红绿灯变更向量确定所述变更情报点是否存在红绿灯变更现象之后，所述方法还包括：

根据所述红绿灯变更现象对应更新高精地图中的红绿灯数据；

将在所述当前情报信息之前收到的所述历史情报信息清空。

根据本公开的第二方面，提供了一种确定红绿灯变更的装置，所述装置包括：

第一确定单元，用于响应于接收到目标车辆回传的当前情报信息，根据所述当前情报信息确定对应的历史情报信息，其中，所述当前情报信息包括：多张拍摄于距变更情报点不同距离的前视相机图片，以及与所述变更情报点对应的坐标位置信息；

获取单元，用于获取所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组，其中，第一查询特征组中包含每个红绿灯的当前查询特征，第二查询特征组中包含每个红绿灯的历史查询特征；

生成单元，用于基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量；

第二确定单元，用于根据所述红绿灯变更向量确定所述变更情报点是否存在红绿灯变更现象。

进一步地，所述第一确定单元，包括：

查询子单元，用于根据所述当前情报信息中所述变更情报点对应的坐标位置信息，从情报变更资料库中查询任意车辆在历史时段回传的所述变更情报点的历史情报信息；

获取子单元，用于若在所述情报变更资料库中未查询到所述历史情报信息，则获取高精地图中所述变更情报点的历史坐标位置信息，以将所述历史坐标位置信息作为所述历史情报信息。

进一步地，获取单元，包括：

第一生成子单元，用于分别生成所述当前情报信息和所述历史情报信息各自对应的特征图；

第一确定子单元，用于根据所述当前情报信息和所述历史情报信息各自对应的特征图，确定所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组。

进一步地，所述确定子单元，具体用于：将所述当前情报信息和所述历史情报信息各自对应的特征图，分别输入至经过二维红绿灯检测任务预训练得到的自动审核模型，以得到所述自动审核模型输出的所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组。

进一步地，所述生成单元，包括：

第二生成子单元，用于基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成所述第一查询特征组和所述第二查询特征组之间的相似度矩阵；

归一处理子单元，用于对所述相似度矩阵的两个维度分别进行归一化操作，得到归一化结果；

第三生成子单元，用于根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述归一化结果，生成所述红绿灯变更向量。

进一步地，所述归一处理子单元，具体用于：对所述相似度矩阵的两个维度分别进行归一化操作，得到所述第一查询特征组中的每个红绿灯与所述第二查询特征组中的最相似红绿灯之间的第一维度相似度，以及所述第二查询特征组中的每个红绿灯与所述第一查询特征组中的最相似红绿灯之间的第二维度相似度。

进一步地，所述第三生成子单元，具体用于：

基于所述第一维度相似度和所述第二维度相似度得到相似度向量；

根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述相似度向量，生成所述红绿灯变更向量。

进一步地，所述第二确定单元，包括：

第二确定子单元，用于根据所述红绿灯变更向量确定所述变更情报点的变更概率；

输出子单元，用于若所述变更概率大于概率阈值，则输出审核提示信息；

第三确定子单元，用于响应于接收到的审核确认信息，确定所述变更情报点存在所述红绿灯变更现象。

进一步地，所述装置还包括：

更新单元，用于根据所述红绿灯变更现象对应更新高精地图中的红绿灯数据；

清空单元，用于将在所述当前情报信息之前收到的所述历史情报信息清空。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行任一项所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据中任一项所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

根据本公开的技术，通过接收目标车辆回传的当前情报信息，根据当前情报信息确定对应的历史情报信息；之后，获取当前情报信息对应的第一查询特征组和历史情报信息对应的第二查询特征组，第一查询特征组中包含每个红绿灯的当前查询特征，第二查询特征组中包含每个红绿灯的历史查询特征，上述当前查询特征和历史查询特征均可以包括位置、形状、颜色等信息；最后，基于第一查询特征组和第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量，并根据上述红绿灯变更向量确定上述变更情报点是否存在红绿灯变更现象，实现了对红绿灯变更现象的量化和可视化，从而可以准确判断变更情报点是否存在红绿灯变更现象，提升了红绿灯变更现象的识别效率和可信度，有利于高精地图的更新和维护。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例所提供的一种确定红绿灯变更的方法的流程图；

图2是可以实现本公开实施例的一种可选的确定红绿灯变更的方法的流程图；

图3是根据本公开实施例所提供的一种确定红绿灯变更的方法的流程图；

图4是根据本公开实施例所提供的一种确定红绿灯变更的方法的流程图；

图5是根据本公开实施例所提供的一种确定红绿灯变更的方法的流程图；

图6是根据本公开实施例所提供的一种确定红绿灯变更的方法的流程图；

图7是根据本公开实施例所提供的一种确定红绿灯变更的装置的框架示意图；

图8是用来实现本公开实施例的一种确定红绿灯变更的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

首先对本申请所涉及的名词进行解释：

L4级自动驾驶：指高度自动驾驶，能够实现驾驶全程无需驾驶员任何操作，但也会有限制条件，比如限制车辆车速不能超过一定值，且驾驶区域相对固定。

L5级自动驾驶：指真正的、完全意义上的全自动无人驾驶，不需要人类介入，也不需要人类监管。

归一化函数Softmax，是一种数学函数，通常用于将一组任意实数转换为表示概率分布的实数，可以将一组任意的实数值转化为在[0,1]之间的概率值。

在多模态学习中，query是指用于检索和匹配的输入，通常是一个问题、一个图像或一个视频等等。在一些任务中，query本身可以被视为一种特征，也就是query特征。query特征通常由不同模态的特征融合而成，以获得更丰富、更全面的信息。

Entrance计算，是服务层架中的入口服务，实现任务的调度、状态管控、任务信息推送等功能。

在自动驾驶领域，尤其对于自动驾驶L4/L5而言，高精地图描绘了整个自动驾驶场景中的红绿灯，人行道，停止线，交通杆，交通牌等在内的多种信息，自动驾驶车端的定位，感知，决策等算法模块都对高精地图有所依赖，因此，高精地图是自动驾驶L4/L5的基础。

红绿灯是高精地图的重要组成部分，关乎到车辆能否正确通过路口。但现实世界中，红绿灯并非安装后就一成不变。一旦红绿灯的发生新增、删除、移动或者故障，如果高精地图不能及时更新相关信息，就可能造成自动驾驶车辆于路口处进行错误决策。

目前红绿灯变更的情报由车端发出，由于车端可能会因为视角、远近等因素错误判断变更情况，因此车端回传的情报中无效情报占据绝大多数。此时如果全部交由人工审核，就会产生极大的审核压力，因此需要离线预过滤的方案来减少最终流入到人工审核的情报数量，减轻审核人员压力，提高有效情报更新速度。

例如，相关技术中的一种在线实时更新高精地图的方法，是在线车辆实时和高精地图要素进行对比，发现相似度低于一定阈值时，对高精地图进行更新；但是，此方案在线车辆检测结果的不稳定性，在面对障碍物遮挡、逆光、黑夜等场景时，往往会出现高精地图要素的漏检或者误检。此时如果允许车辆实时修改高精地图并进行分发，那么高精地图的准确性将完全不可控。当系统有多辆车同时更新情报时，还可能出现相互反复修改的情况。

再例如，相关技术中的一种离线审核的方法，通过在线车辆回传当前场景图片，由离线模型与高精地图历史作业资料进行对比后，进行高精地图更新。但是此方案中，如果直接使用在线回传的图像检测出红绿灯坐标和高精地图标注的位置进行对比，此时若存在某些高精地图不标注的要素被误检出，则会新增误报要素(例如，容易误检路边的行人灯，但高精地图往往不标注行人灯，此时就会错误报出新增红绿灯)。

为解决上述问题，本公开提供了一种确定红绿灯变更的方法、装置、设备以及存储介质，应用于涉及人工智能技术领域，具体涉及自动驾驶技术领域，以实现了对红绿灯变更现象的量化和可视化，达到准确判断变更情报点是否存在红绿灯变更现象，提升了红绿灯变更现象的识别效率和可信度的目的。

图1是根据本公开的实施例所提供的一种确定红绿灯变更的方法的流程图，如图1所示，本公开提供的一种确定红绿灯变更的方法，包括如下方法步骤：

S101，响应于接收到目标车辆回传的当前情报信息，根据上述当前情报信息确定对应的历史情报信息，其中，上述当前情报信息包括：多张拍摄于距变更情报点不同距离的前视相机图片，以及与上述变更情报点对应的坐标位置信息；

S102，获取上述当前情报信息对应的第一查询特征组和上述历史情报信息对应的第二查询特征组，其中，第一查询特征组中包含每个红绿灯的当前查询特征，第二查询特征组中包含每个红绿灯的历史查询特征；

S103，基于上述第一查询特征组和上述第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量；

S104，根据上述红绿灯变更向量确定上述变更情报点是否存在红绿灯变更现象。

可选的，本公开示例中，目标车辆可以是任意类型的汽车，例如，自动驾驶汽车。

可选的，本公开示例中，变更情报点是指目标车辆报出的发生红绿灯变更的位置点。

可选的，目标车辆在行驶过程中，通过要素检测和变更检测发现红绿灯路口发生或者疑似发生红绿灯变更现象，则自动驾驶汽车的前视相机不断拍摄前方的道路情况，例如，前视相机拍摄了距离一个红绿灯路口(目标车辆报出此处发生红绿灯变更)不同距离的多张图片，其中包含了该路口的红绿灯，同时记录了该路口的坐标位置信息，作为当前情报信息，回传给后台服务器。

一种示例中，通过接收目标车辆回传的当前情报信息，根据当前情报信息确定对应的历史情报信息，从而实现对变更情报点是否存在红绿灯变更现象的判断，提高了红绿灯数据的准确性和时效性，有利于高精地图的更新和维护。

之后，本公开，例如可以采用自动审核模型，获取当前情报信息对应的第一查询特征组和历史情报信息对应的第二查询特征组，第一查询特征组中包含每个红绿灯的当前查询特征，第二查询特征组中包含每个红绿灯的历史查询特征，上述当前查询特征和历史查询特征均可以包括位置、形状、颜色等信息，实现了对红绿灯的自动识别和特征提取，避免了因为人工干预或者图像处理的不规范而导致的识别错误或特征丢失的问题。

最后，基于第一查询特征组和第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量，并根据上述红绿灯变更向量确定上述变更情报点是否存在红绿灯变更现象。从而实现对红绿灯变更现象的量化和可视化，这样判断红绿灯变更现象，提高了红绿灯变更现象的识别效率和可信度，有利于审核人员的审核和确认，以及对高精地图的更新和维护。

一种示例中，以本公开示例的执行主体为后台服务器为例，假设目标车辆是一辆自动驾驶汽车，如图2所示，在自动驾驶汽车行驶的过程中，通过要素检测和变更检测发现红绿灯路口发生或者疑似发生红绿灯变更现象，则采用前视相机不断拍摄前方的道路情况，例如，前视相机拍摄了距离一个红绿灯路口(目标车辆报出此处发生红绿灯变更)不同距离的多张图片，其中包含了该路口的红绿灯，同时记录了该红绿灯路口的坐标位置信息，作为当前情报信息，回传给后台服务器。

仍如图2所示，后台服务器接收到当前情报信息后，基于Entrance计算入口服务，根据坐标位置信息，从情报变更资料库(离线资料库)中查询任意车辆在历史时段回传的，有关该变更情报点的历史情报信息，例如，发现该红绿灯路口在一个月前有过一次红绿灯的更换，则获取了更换前的图片和坐标位置信息作为历史情报信息。如果没有查询到，则从高精地图的资料中获取历史坐标位置信息，作为历史情报信息。

后台服务器分别生成当前情报信息对应的第一查询特征组和历史情报信息对应的第二查询特征组，一种示例中，基于上述第一查询特征组和上述第二查询特征组各自包含的查询特征，即，第一查询特征组中包含每个红绿灯的当前查询特征，第二查询特征组中包含每个红绿灯的历史查询特征，例如，可以确定当前情报信息中指示该红绿灯路口有三个红绿灯，而历史情报信息中指示该红绿灯路口有四个红绿灯，且它们的位置、形状、颜色等信息有所不同。

后台服务器基于第一查询特征组和第二查询特征组各自包含的查询特征，生成第一查询特征组和第二查询特征组之间的相似度向量，作为红绿灯变更向量，即第一查询特征组和第二查询特征组中的每个红绿灯之间的相似度，实现了对红绿灯的全面比较，避免了因为单一特征或者固定规则而导致的比较不公平或不准确的问题。

一种示例中，如果发现红绿灯变更向量中有一个值为0，表示当前情报信息中的一个红绿灯与历史情报信息中的任何一个红绿灯都不相似，说明该红绿灯是新安装的。

根据上述方法得到的红绿灯变更向量，确定变更情报点是否存在红绿灯变更现象，实现了对红绿灯变更现象的量化和可视化，避免了因为主观判断或者模糊描述而导致的识别不清晰或不明确的问题，提升了红绿灯变更现象的识别效率和可信度。

一种可选的示例中，根据上述当前情报信息确定对应的历史情报信息，包括：

S201，根据上述当前情报信息中上述变更情报点对应的坐标位置信息，从情报变更资料库中查询任意车辆在历史时段回传的上述变更情报点的历史情报信息；

S202，若在上述情报变更资料库中未查询到上述历史情报信息，则获取高精地图中上述变更情报点的历史坐标位置信息，以将上述历史坐标位置信息作为上述历史情报信息。

本公开实施例，后台服务器根据坐标位置信息(世界坐标系的坐标点位置)，从情报变更资料库中查询任意车辆在历史时段回传的变更情报点的历史情报信息，或者从高精地图中获取历史坐标位置信息，作为历史情报信息，实现了对变更情报点的历史数据的有效利用，避免了因为数据缺失或不完整而导致的判断错误的问题。

一种可选的示例中，在目标车辆行驶过程中，前视相机不断拍摄前方的道路情况，并将拍摄的图片和坐标位置信息回传给后台服务器，作为当前情报信息。后台服务器接收到当前情报信息后，根据坐标位置信息，从情报变更资料库中查询该坐标位置对应的变更情报点的历史情报信息，如果查询到了，则将查询到的历史情报信息作为对应的历史情报信息，如果没有查询到，则从高精地图中获取该坐标位置对应的历史坐标位置信息，作为对应的历史情报信息。

一种可选的示例，如图3所示，获取上述当前情报信息对应的第一查询特征组和上述历史情报信息对应的第二查询特征组，包括：

S301，分别生成上述当前情报信息和上述历史情报信息各自对应的特征图；

S302，根据上述当前情报信息和上述历史情报信息各自对应的特征图，确定上述当前情报信息对应的第一查询特征组和上述历史情报信息对应的第二查询特征组。

可选的，可以将当前情报信息和历史情报信息输入至ResNet101骨干网络模型，以采用ResNet101骨干网络模型，分别生成当前情报信息和历史情报信息各自对应的特征图。

上述示例中，分别生成当前情报信息和历史情报信息各自对应的特征图，即将图片转换为特征向量的集合，通过对图片的有效编码，可以避免由于图片的格式、大小、分辨率等因素而导致的数据不一致或不兼容的问题。之后，根据特征图确定第一查询特征组和第二查询特征组，即每个红绿灯的查询特征，包括位置、形状、颜色等信息，即可以实现对红绿灯的全面描述，不会导致识别不准确或不可靠的问题。

作为一种可选的示例，根据上述当前情报信息和上述历史情报信息各自对应的特征图，确定上述当前情报信息对应的第一查询特征组和上述历史情报信息对应的第二查询特征组，包括：

将上述当前情报信息和上述历史情报信息各自对应的特征图，分别输入至经过二维红绿灯检测任务预训练得到的自动审核模型，以得到上述自动审核模型输出的上述当前情报信息对应的第一查询特征组和上述历史情报信息对应的第二查询特征组。

采用上述示例，本公开可以实现对红绿灯的自动识别和特征提取，以及对红绿灯的智能识别，提高了红绿灯数据的准确性和时效性，有利于高精地图的更新和维护。

作为一种可选的实施方式，在目标车辆行驶过程中，前视相机不断拍摄前方的道路情况，并将拍摄的图片和坐标位置信息回传给后台服务器，作为当前情报信息。后台服务器接收到当前情报信息后，根据坐标位置信息，从情报变更资料库中查询该坐标位置对应的变更情报点的历史情报信息，如果查询到了，则将查询到的历史情报信息作为对应的历史情报信息，如果没有查询到，则从高精地图中获取该坐标位置对应的历史坐标位置信息，作为对应的历史情报信息。后台服务器分别生成当前情报信息和历史情报信息各自对应的特征图，即将图片转换为特征向量的集合，然后将特征图输入至自动审核模型Detr模型，得到当前情报信息对应的第一查询特征组和历史情报信息对应的第二查询特征组，即每个红绿灯的查询特征，包括位置、形状、颜色等信息。

可选的，仍如图2所示，在将当前情报信息和历史情报信息各自对应的特征图，分别输入至经过二维红绿灯检测任务预训练得到的自动审核模型之前，可以先采用红绿灯检测数据集训练一个准确检测红绿灯的自动审核模型，即Detr模型。

对于自动审核模型，由于最初阶段缺乏真实变更情报，因此可以进行样本收集和模型修复，例如，可以将高精地图资料中相同区域的多组图片视为红绿灯未变更数据，以采用预训练好的Detr模型生成的红绿灯边界框进行随机平移、复制或删除来制造红绿灯变更数据。之后，再将这些红绿灯未变更数据、通过数据增强方式生成的红绿灯变更数据，共同训练出了初始的自动审核模型。最后，在自动审核模型部署上线后，定期收集线上被人工审核确认为误报的变更情报，以人工审核的结果为真值，对自动审核模型进行迭代。这样，随着时间的推移，自动审核模型的准确率和召回率逐步提升。

可选的，本公开一种示例中，如图4所示，基于上述第一查询特征组和上述第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量，包括：

S401，基于上述第一查询特征组和上述第二查询特征组各自包含的查询特征，生成上述第一查询特征组和上述第二查询特征组之间的相似度矩阵；

S402，对上述相似度矩阵的两个维度分别进行归一化操作，得到归一化结果；

S403，根据上述第一查询特征组和上述第二查询特征组各自包含的查询特征、上述归一化结果，生成上述红绿灯变更向量。

本公开采用上述示例，基于第一查询特征组和第二查询特征组各自包含的查询特征，生成第一查询特征组和第二查询特征组之间的相似度矩阵，即每个红绿灯之间的相似度，实现了对红绿灯的全面比较。

之后，对相似度矩阵的两个维度分别进行归一化操作，得到第一维度相似度和第二维度相似度，即每个红绿灯与最相似红绿灯之间的相似度，实现了对红绿灯的最优匹配。

进一步地，根据第一维度相似度和第二维度相似度得到相似度向量，作为红绿灯变更向量，实现了对红绿灯变更现象的量化和可视化，避免了因为主观判断或者模糊描述而导致的识别不清晰或不明确的问题。

作为一种可选的示例，如图5所示，对上述相似度矩阵的两个维度分别进行归一化操作，得到归一化结果，包括：

S501，对上述相似度矩阵的两个维度分别进行归一化操作，得到上述第一查询特征组中的每个红绿灯与上述第二查询特征组中的最相似红绿灯之间的第一维度相似度，以及上述第二查询特征组中的每个红绿灯与上述第一查询特征组中的最相似红绿灯之间的第二维度相似度。

可选的，上述示例中，对相似度矩阵的两个维度分别进行归一化操作，实现了对相似度矩阵的双向优化，避免了因为单向优化而导致的优化不充分或不平衡的问题。通过对相似度矩阵的两个维度分别进行归一化操作，得到第一维度相似度和第二维度相似度，即每个红绿灯与最相似红绿灯之间的相似度，实现了对红绿灯的最优匹配，避免了因为多对多或者一对多的情况而导致的匹配不唯一或不确定的问题。

本公开，在一种可选的实施例中，仍如图5所示，根据上述第一查询特征组和上述第二查询特征组各自包含的查询特征、上述归一化结果，生成上述红绿灯变更向量，包括：

S502，基于上述第一维度相似度和上述第二维度相似度得到相似度向量；

S503，根据上述第一查询特征组和上述第二查询特征组各自包含的查询特征、上述相似度向量，生成上述红绿灯变更向量。

作为一种可选的实施方式：后台服务器基于第一查询特征组和第二查询特征组各自包含的查询特征，生成第一查询特征组和第二查询特征组之间的相似度矩阵，即每个红绿灯之间的相似度，然后对相似度矩阵的两个维度分别进行归一化操作，得到第一维度相似度和第二维度相似度，即每个红绿灯与最相似红绿灯之间的相似度，最后根据第一维度相似度和第二维度相似度得到相似度向量，作为红绿灯变更向量。

本公开示例，采用上述方式生成红绿灯变更向量，实现了对红绿灯变更现象的量化和可视化，避免了因为主观判断或者模糊描述而导致的识别不清晰或不明确的问题。

作为一种可选的示例，如图6所示，根据上述红绿灯变更向量确定上述变更情报点是否存在红绿灯变更现象，包括：

S601，根据上述红绿灯变更向量确定上述变更情报点的变更概率；

S602，若上述变更概率大于概率阈值，则输出审核提示信息；

S603，响应于接收到的审核确认信息，确定上述变更情报点存在上述红绿灯变更现象。

一种示例中，后台服务器根据红绿灯变更向量确定变更情报点的变更概率，发现变更概率为0.8，大于预先设定的概率阈值0.5，则初步确定变更情报点存在红绿灯变更现象，因此输出审核提示信息给审核人员，包括变更向量的可视化结果，等待审核人员的审核确认信息，如果审核人员确认存在红绿灯变更现象，则更新高精地图中的红绿灯数据，并将在当前情报信息之前收到的历史情报信息清空，以避免重复判断。

采用上述示例，先由后台服务器基于当前情报信息进行初步检测，初步检测通过了再给到审核人员审核，最终根据接收到的审核确认信息，确定上述变更情报点存在上述红绿灯变更现象，可以实现对红绿灯变更现象的有效确认。

一种可选的示例，在根据上述红绿灯变更向量确定上述变更情报点是否存在红绿灯变更现象之后，上述方法还包括：

根据上述红绿灯变更现象对应更新高精地图中的红绿灯数据；

将在上述当前情报信息之前收到的上述历史情报信息清空。

采用上述示例，可以实现对高精地图的更新和维护，提高了高精地图的准确性和时效性，有利于自动驾驶汽车的安全和高效行驶。将在上述当前情报信息之前收到的上述历史情报信息清空，实现了对情报变更资料库的有效清理，避免了因为情报变更资料库的数据冗余或不一致而导致的查询困难或判断错误的问题。

一种可选的实施方式，如果后台服务器接收到审核人员确认，则更新高精地图中的红绿灯数据，并将在当前情报信息之前收到的历史情报信息清空，以避免重复判断。

例如，本公开当前情报信息和历史情报信息均有N个查询特征query，则生成一个N*N的相似度矩阵。通过对相似度矩阵的两个维度分别进行归一化softmax操作，得到第一查询特征组中的红绿灯与第二查询特征组中的中某个最相似红绿灯的相似度，以及第二查询特征组中的红绿灯与第一查询特征组中某个最相似红绿灯的相似度。将这2*N个相似度值连接成一个相似度向量后，即可将相似度向量与原始的2*N个查询特征连接，生成一个红绿灯变更向量；然后，将红绿灯变更向量送入自动审核模型的一个线性层中，以确定当前是否有红绿灯出现变更。

之后，经过自动审核模型输出为确定变更情报点存在红绿灯变更现象，则将输出审核提示信息，以继续进行人工审核；自动审核模型输出为不存在红绿灯变更现象，则还可以回捞，继续进行人工审核。不同的是，经由自动审核模型检测，对检测结果已经标注有变更概率和是否变更的检测结果，例如，确定变更情报点存在红绿灯变更现象，或者确定变更情报点不存在红绿灯变更现象。

一种示例中，人工审核会标注出当前情报信息给出的变更情报点是否确实存在红绿灯变更，如果人工审核认定变更情报点确定存在红绿灯变更，则会根据红绿灯变更现象对应的红绿灯数据，更新高精地图中的红绿灯数据，并将此当前情报信息之前所有当前路口的所有历史情报信息清空，保证所有历史情报信息中红绿灯状态的一致性。

另一示例中，如果人工审核认定变更情报点确定不存在红绿灯变更，则将当前情报信息收集到离线资料库中，作为自动审核模型的负样本，方便自动审核模型进行持续优化。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，图7是根据本公开实施例所提供的一种确定红绿灯变更的装置的框架示意图，如图7所示，本公开还提供了一种确定红绿灯变更的装置，该确定红绿灯变更的装置700，包括：

第一确定单元701，用于响应于接收到目标车辆回传的当前情报信息，根据上述当前情报信息确定对应的历史情报信息，其中，上述当前情报信息包括：多张拍摄于距变更情报点不同距离的前视相机图片，以及与上述变更情报点对应的坐标位置信息；

获取单元702，用于获取上述当前情报信息对应的第一查询特征组和上述历史情报信息对应的第二查询特征组，其中，第一查询特征组中包含每个红绿灯的当前查询特征，第二查询特征组中包含每个红绿灯的历史查询特征；

生成单元703，用于基于上述第一查询特征组和上述第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量；

第二确定单元704，用于根据上述红绿灯变更向量确定上述变更情报点是否存在红绿灯变更现象。

根据本公开一个或多个可选的示例，上述第一确定单元，包括：

查询子单元，用于根据上述当前情报信息中上述变更情报点对应的坐标位置信息，从情报变更资料库中查询任意车辆在历史时段回传的上述变更情报点的历史情报信息；

获取子单元，用于若在上述情报变更资料库中未查询到上述历史情报信息，则获取高精地图中上述变更情报点的历史坐标位置信息，以将上述历史坐标位置信息作为上述历史情报信息。

根据本公开一个或多个可选的示例，获取单元，包括：

第一生成子单元，用于分别生成上述当前情报信息和上述历史情报信息各自对应的特征图；

第一确定子单元，用于根据上述当前情报信息和上述历史情报信息各自对应的特征图，确定上述当前情报信息对应的第一查询特征组和上述历史情报信息对应的第二查询特征组。

根据本公开一个或多个可选的示例，上述确定子单元，具体用于：将上述当前情报信息和上述历史情报信息各自对应的特征图，分别输入至经过二维红绿灯检测任务预训练得到的自动审核模型，以得到上述自动审核模型输出的上述当前情报信息对应的第一查询特征组和上述历史情报信息对应的第二查询特征组。

根据本公开一个或多个可选的示例，上述生成单元，包括：

第二生成子单元，用于基于上述第一查询特征组和上述第二查询特征组各自包含的查询特征，生成上述第一查询特征组和上述第二查询特征组之间的相似度矩阵；

归一处理子单元，用于对上述相似度矩阵的两个维度分别进行归一化操作，得到归一化结果；

第三生成子单元，用于根据上述第一查询特征组和上述第二查询特征组各自包含的查询特征、上述归一化结果，生成上述红绿灯变更向量。

根据本公开一个或多个可选的示例，上述归一处理子单元，具体用于：对上述相似度矩阵的两个维度分别进行归一化操作，得到上述第一查询特征组中的每个红绿灯与上述第二查询特征组中的最相似红绿灯之间的第一维度相似度，以及上述第二查询特征组中的每个红绿灯与上述第一查询特征组中的最相似红绿灯之间的第二维度相似度。

根据本公开一个或多个可选的示例，上述第三生成子单元，具体用于：

基于上述第一维度相似度和上述第二维度相似度得到相似度向量；

根据上述第一查询特征组和上述第二查询特征组各自包含的查询特征、上述相似度向量，生成上述红绿灯变更向量。

根据本公开一个或多个可选的示例，上述第二确定单元，包括：

第二确定子单元，用于根据上述红绿灯变更向量确定上述变更情报点的变更概率；

输出子单元，用于若上述变更概率大于概率阈值，则输出审核提示信息；

第三确定子单元，用于响应于接收到的审核确认信息，确定上述变更情报点存在上述红绿灯变更现象。

根据本公开一个或多个可选的示例，上述装置还包括：

更新单元，用于根据上述红绿灯变更现象对应更新高精地图中的红绿灯数据；

清空单元，用于将在上述当前情报信息之前收到的上述历史情报信息清空。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，本公开提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行根据中任一项上述的方法。

根据本公开的实施例，本公开提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

根据本公开的实施例，本公开还提供了一种电子设备，图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如确定红绿灯变更的方法。例如，在一些实施例中，确定红绿灯变更的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的确定红绿灯变更的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行确定红绿灯变更的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (21)

1.一种确定红绿灯变更的方法，所述方法包括：

响应于接收到目标车辆回传的当前情报信息，根据所述当前情报信息确定对应的历史情报信息，其中，所述当前情报信息包括：多张拍摄于距变更情报点不同距离的前视相机图片，以及与所述变更情报点对应的坐标位置信息；

获取所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组，其中，所述第一查询特征组中包含每个红绿灯的当前查询特征，所述第二查询特征组中包含每个红绿灯的历史查询特征；

基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量；

根据所述红绿灯变更向量确定所述变更情报点是否存在红绿灯变更现象。

2.根据权利要求1所述的方法，其中，根据所述当前情报信息确定对应的历史情报信息，包括：

根据所述当前情报信息中所述变更情报点对应的坐标位置信息，从情报变更资料库中查询任意车辆在历史时段回传的所述变更情报点的历史情报信息；

若在所述情报变更资料库中未查询到所述历史情报信息，则获取高精地图中所述变更情报点的历史坐标位置信息，以将所述历史坐标位置信息作为所述历史情报信息。

3.根据权利要求1所述的方法，其中，获取所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组，包括：

分别生成所述当前情报信息和所述历史情报信息各自对应的特征图；

根据所述当前情报信息和所述历史情报信息各自对应的特征图，确定所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组。

4.根据权利要求3所述的方法，其中，根据所述当前情报信息和所述历史情报信息各自对应的特征图，确定所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组，包括：

将所述当前情报信息和所述历史情报信息各自对应的特征图，分别输入至经过二维红绿灯检测任务预训练得到的自动审核模型，以得到所述自动审核模型输出的所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组。

5.根据权利要求1所述的方法，其中，基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量，包括：

基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成所述第一查询特征组和所述第二查询特征组之间的相似度矩阵；

对所述相似度矩阵的两个维度分别进行归一化操作，得到归一化结果；

根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述归一化结果，生成所述红绿灯变更向量。

6.根据权利要求5所述的方法，其中，对所述相似度矩阵的两个维度分别进行归一化操作，得到归一化结果，包括：

对所述相似度矩阵的两个维度分别进行归一化操作，得到所述第一查询特征组中的每个红绿灯与所述第二查询特征组中的最相似红绿灯之间的第一维度相似度，以及所述第二查询特征组中的每个红绿灯与所述第一查询特征组中的最相似红绿灯之间的第二维度相似度。

7.根据权利要求6所述的方法，其中，根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述归一化结果，生成所述红绿灯变更向量，包括：

基于所述第一维度相似度和所述第二维度相似度得到相似度向量；

根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述相似度向量，生成所述红绿灯变更向量。

8.根据权利要求1至7中任意一项所述的方法，其中，根据所述红绿灯变更向量确定所述变更情报点是否存在红绿灯变更现象，包括：

根据所述红绿灯变更向量确定所述变更情报点的变更概率；

若所述变更概率大于概率阈值，则输出审核提示信息；

响应于接收到的审核确认信息，确定所述变更情报点存在所述红绿灯变更现象。

9.根据权利要求1至7中任意一项所述的方法，其中，在根据所述红绿灯变更向量确定所述变更情报点是否存在红绿灯变更现象之后，所述方法还包括：

根据所述红绿灯变更现象对应更新高精地图中的红绿灯数据；

将在所述当前情报信息之前收到的所述历史情报信息清空。

10.一种确定红绿灯变更的装置，所述装置包括：

第一确定单元，用于响应于接收到目标车辆回传的当前情报信息，根据所述当前情报信息确定对应的历史情报信息，其中，所述当前情报信息包括：多张拍摄于距变更情报点不同距离的前视相机图片，以及与所述变更情报点对应的坐标位置信息；

获取单元，用于获取所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组，其中，所述第一查询特征组中包含每个红绿灯的当前查询特征，所述第二查询特征组中包含每个红绿灯的历史查询特征；

生成单元，用于基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成一个红绿灯变更向量；

第二确定单元，用于根据所述红绿灯变更向量确定所述变更情报点是否存在红绿灯变更现象。

11.根据权利要求10所述的装置，其中，所述第一确定单元，包括：

查询子单元，用于根据所述当前情报信息中所述变更情报点对应的坐标位置信息，从情报变更资料库中查询任意车辆在历史时段回传的所述变更情报点的历史情报信息；

获取子单元，用于若在所述情报变更资料库中未查询到所述历史情报信息，则获取高精地图中所述变更情报点的历史坐标位置信息，以将所述历史坐标位置信息作为所述历史情报信息。

12.根据权利要求10所述的装置，其中，获取单元，包括：

第一生成子单元，用于分别生成所述当前情报信息和所述历史情报信息各自对应的特征图；

第一确定子单元，用于根据所述当前情报信息和所述历史情报信息各自对应的特征图，确定所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组。

13.根据权利要求12所述的装置，其中，所述确定子单元，具体用于：将所述当前情报信息和所述历史情报信息各自对应的特征图，分别输入至经过二维红绿灯检测任务预训练得到的自动审核模型，以得到所述自动审核模型输出的所述当前情报信息对应的第一查询特征组和所述历史情报信息对应的第二查询特征组。

14.根据权利要求10所述的装置，其中，所述生成单元，包括：

第二生成子单元，用于基于所述第一查询特征组和所述第二查询特征组各自包含的查询特征，生成所述第一查询特征组和所述第二查询特征组之间的相似度矩阵；

归一处理子单元，用于对所述相似度矩阵的两个维度分别进行归一化操作，得到归一化结果；

第三生成子单元，用于根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述归一化结果，生成所述红绿灯变更向量。

15.根据权利要求14所述的装置，其中，所述归一处理子单元，具体用于：对所述相似度矩阵的两个维度分别进行归一化操作，得到所述第一查询特征组中的每个红绿灯与所述第二查询特征组中的最相似红绿灯之间的第一维度相似度，以及所述第二查询特征组中的每个红绿灯与所述第一查询特征组中的最相似红绿灯之间的第二维度相似度。

16.根据权利要求15所述的装置，其中，所述第三生成子单元，具体用于：

基于所述第一维度相似度和所述第二维度相似度得到相似度向量；

根据所述第一查询特征组和所述第二查询特征组各自包含的查询特征、所述相似度向量，生成所述红绿灯变更向量。

17.根据权利要求10至16中任意一项所述的装置，其中，所述第二确定单元，包括：

第二确定子单元，用于根据所述红绿灯变更向量确定所述变更情报点的变更概率；

输出子单元，用于若所述变更概率大于概率阈值，则输出审核提示信息；

第三确定子单元，用于响应于接收到的审核确认信息，确定所述变更情报点存在所述红绿灯变更现象。

18.根据权利要求10至16中任意一项所述的装置，其中，所述装置还包括：

更新单元，用于根据所述红绿灯变更现象对应更新高精地图中的红绿灯数据；

清空单元，用于将在所述当前情报信息之前收到的所述历史情报信息清空。

19.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。